生物医学文本挖掘BioNLP

最新推荐文章于 2024-06-23 09:44:20 发布
最新推荐文章于 2024-06-23 09:44:20 发布
阅读量5.6k 收藏 9
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/yanqianglifei/article/details/80486623
版权

1、简介

BioNLP Shared Task(BioNLP-ST)是一个生物文本挖掘领域的国际比赛，截止到2016年，已经举办了10年，每年都吸引了来自剑桥大学、麻省理工学院等国际一流大学的科研人员参加。比赛的任务就是看哪个团队研发的算法模型能够精准智能地从文本中自动提取出复杂的生化反应网络。

2、国内相关资讯

3、论文/文章

4、BioNLP-ST 2016

日期描述
1月训练数据集公布
3月25测试集公布
4月1结果提交
4月8评测结果通知
5月8-5月15论文提交

BioNLP-ST系列比赛代表了在生物学文本挖掘领域，全社区开始转向对细粒度信息提取(IE)的趋势。 BioNLP-ST 2016遵循了2011和2013的任务目标，致力于生物学本体目标的识别提取以及推出目标之间的事件表示方法。
【日程安排】

日期描述
1月训练数据集公布
3月25测试集公布
4月1结果提交
4月8评测结果通知
5月8-5月15论文提交

【任务描述】
下面是关于三个事件提取任务的数据集，任务和数据集详细介绍可在对应页面看到。

  • SeeDev Genetic and molecular mechanisms involved in plant seed development
  • BB3 Bacteria Biotope, bacteria locations and normalization with an ontology
  • GeniaNFkB Knowledge base construction

SeeDev语料库主要涉及生物领域中种子发展的内容；BB任务旨在从生物文献中自动地抽取微生物和栖息地之间的复杂关系；GE任务语料仍沿用往届的语料资源，但更加强调从中抽取多方面的知识，是一个开放性任务。

5、论文阅读

Dutir in bionlp-st 2016: Utilizing convolutional network and distributed representation to extract complicate relations
[利用卷积网络和分布式表示来提取复杂关系]
这篇文章来自大连理工大学信息检索实验室，主要讲述了SeeDev-binary task和BB-event task

5.1摘要

我们参加了BioNLP-ST 2016的两个子任务：SeeDev 二分类关系提取任务和Biotope位置关系提取任务。卷积神经网络(CNN)通过卷积和池化两种操作，来对带有词嵌入的原始输入句子将行构建模型。然后，使用全连接神经网络来自动地学习深度的特征。该模型主要有两个模块：分布式语义表示构建，例如词嵌入、pos嵌入、距离嵌入，实体类型嵌入，CNN模型训练。最终结果的F-score分别为0.370和0.478，本文提出的方法能够高效地进行二分类关系提取，同时通过自动特征学习减少了人工特征工程的影响。

5.2 引言

信息提取(IE)能够从大量语料文本中挖掘有用的数据和隐藏知识。随着关于生命和生物学关键问题定位的需求日益增长，生物学信息提取(bio-IE）出现很及时，并且吸引越来越多的研究人员用来解决问题，比如在命名实体识别、蛋白质-蛋白质间的关系分类和药物-药物间的联系提取。除此之外，生物学领域的信息提取，尤其事件提取已经进入人们的眼界中，这将会是一项意义深远的工作，同时也是信息提取任务的挑战。

5.3 方法

SeeDev-binary 和BB-event的任务都可以看做是二分类关系提取任务，因为都是要确定两个实体之间是否有联系。在关系提取中，句子的语义和语法特征都是关键的信息。传统的方法需要从特定领域知识中设计和抽取复杂特征，例如树核和图核，从而构建模型。这种方法很难生成独立知识语料。因此，我们使用卷积神经网络。通过卷积和池化操作来训练特征，从而构建模型。该模型主要有两个模块：分布式语义表示构建和CNN模型训练。


1531909-1c44b0c72ae47bc4.png
卷积神将网络和分布式向量表示

词嵌入

为了简单起见，我们定义句子的词序列：S=E1W1W2W3...WnE2,其中E1,E2是两个实体，W1...Wn为两个实体之间的单词。

  • 词嵌入


    1531909-4f07adb7a14ed507.png
    word embedding matrix

    下面三种嵌入是对词嵌入的特征补充

  • 实体类型嵌入


    1531909-b9006dfe56a47463.png

  • POS嵌入


    1531909-4eefc061527c8760.png

  • 距离嵌入


    1531909-34f9ced08e3852d0.png

    将四种嵌入联合起来组成最终的分布式语义表示：


    1531909-f3c241d230c9bc49.png

模型训练和参数调优

应用卷积操作和max-pooling操作从原始输入来学习全局特征表示。下面是具体的计算公式：


1531909-069fcaea3548cb11.png

其中W是卷积过滤窗口，它可以抽取给定大小词序列的特征。<h>是从原始分布式表示Φ(S)学习的全局特征，然后会“喂养”给全连接层来学习隐藏和高级特征。


1531909-69672025f2e2b7f7.png

6、相关实战（待更）

致Great
关注
  • 1
    点赞
  • 踩
  • 9
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
BioNLP2020_A BERT-based One-Pass Multi-Task Model for Clinical Temporal Relation Extraction
All in.的博客
04-17 599
A BERT-based One-Pass Multi-Task Model for Clinical Temporal Relation Extraction摘要一、介绍二、方法1.双任务2.基于窗口的token序列处理3.实验3.1 数据和设置3.2 在THYME上的结果3.3 计算效率4. 讨论 论文 摘要 最近，BERT在从临床电子病历文本中提取时间关系方面取得了最先进的性能。然而，当前的方法效率很低，因为它需要对每个输入序列进行多次传递。本文将最近提出的用于关系分类的one-pass模型扩展为用
BioNLP概述
weixin_34007291的博客
09-19 771
BioNLP概述 工具： GENIA Tagger：GENIA Tagger是一个主要应用于生物医学文本领域的词性标注和浅层语法分析工具，GENIA Tagger在GENIA语料上的词性标记性能F-score达到98%，短语切分(chunking)性能F-score达到93%。 生物医学文献生物命名实体识别 识别实体主要包括基因、蛋白质、DNA和RNA。 评测：JNLPBA、Bio...
医学自然语言处理(NLP)相关论文汇总之 ACL 2022
qq_39352201的博客
09-09 1130
医学自然语言处理(NLP)相关论文汇总之 ACL 2022
开启生物医学自然语言处理的新篇章：BioNLP-2016开源项目深度剖析
最新发布
gitblog_00083的博客
06-23 821
开启生物医学自然语言处理的新篇章：BioNLP-2016开源项目深度剖析 项目地址:https://gitcode.com/cambridgeltl/BioNLP-2016 在生物科技与人工智能的交界处，信息的准确提取和理解变得至关重要。今天，我们将一同探索一个名为[BioNLP-2016](https://github.com 用户名/BioNLP-2016)的开源项目，该项目源于ACL Bio...
医学自然语言处理(NLP)相关论文汇总之 NAACL 2021
qq_39352201的博客
07-08 1393
医学自然语言处理(NLP)相关论文汇总之 NAACL 2021 【写在前面】NAACL2021前段时间已经放榜，自己抽时间整理了一下该会议在医疗自然语言处理方向上的相关论文，放在这里，希望对大家有一定的帮助吧。还会继续更新，大家有兴趣的话可以持续关注。 更多关于中文医疗自然语言处理的资源和论文汇总，请访问我的GitHub相关主页https://github.com/FutureForMe/Chinese_Medical_Natural_Language_Processing。 本体 The Bi.
BioNLP2020_Global Locality in Biomedical Relation and Event Extraction
All in.的博客
02-05 763
Global Locality in Biomedical Relation and Event ExtractionAbstractIntroductionDataModelInputMulti-head AttentionConvolutionsClassificationExperiments and ResultsConvolutionsClassificationAnalysisAblation StudyParameter AnalysisAnalysis on Overlapping Case
BioNLP:隆德大学生物医学文本挖掘中的学生项目的资料库
04-07
隆德大学生物医学文本挖掘中的学生项目的资料库。 所有代码都带有GPLv3许可证。 资源 NLP库 艾伦 基于PyTorch构建的NLP库 核心自然语言处理 包含许多斯坦福大学的NLP工具 NLTK 文字 空间 科学 scispaCy是一个...
生物医学文本挖掘研究的体会.ppt
10-07
文本挖掘在生物医学领域的应用已经成为了科研人员探索和理解大量生物医学文献的关键技术。这篇名为“生物医学文本挖掘研究的体会”的PPT主要探讨了如何运用元数据关联规则从PubMed等文本数据库中发现新的知识。 ...
BLUE_Benchmark:BLUE基准测试包含五种不同的生物医学文本挖掘任务以及十个语料库
05-03
这些任务涵盖各种文本类型（生物医学文献和临床笔记），数据集大小和难度，更重要的是，突出了常见的生物医学文本挖掘挑战。任务语料库火车开发人员测试任务指标领域医疗服务675 75 318 句子相似度皮尔森临床...
生物医学数据挖掘方法研究.pdf
07-14
生物医学数据挖掘方法研究.pdf
Python-BioBERT用于生物医学文本挖掘的预先训练生物医学语言表示模型
08-10
Python-BioBERT是一种基于预训练模型的框架，专门设计用于生物医学领域的文本挖掘任务。BioBERT是BERT（Bidirectional Encoder Representations from Transformers）的一个变体，由Google在2018年提出，它通过...
acl2018 bionlp workshop.zip
06-01
acl2018 bionlp workshop
Chinese-BioNLP:中文生物医学自然语言处理（Chinese-BioNLP）
05-24
中文生物医学自然语言处理（Chinese-BioNLP） 该项目旨在跟踪中文生物医学自然语言处理的进展，收集整理相关的论文列表和展示现存方法性能。 中文电子病历命名实体识别 中文电子病历命名实体识别（Chinese Clinical Named Entity Recognition, Chinese-CNER）任务目标是从给定的电子病历纯文本文档中识别并抽取出与医学临床相关的实体提及，并将它们归类到预定义的类别。下图展示了CCKS18 CNER评测数据的一个样例。 综述论文 方法论文 CCKS 2017 CCKS 2018 CCKS 2019 CCkS 2020
BioNLP-开源
05-27
BioNLP是科罗拉多大学丹佛市健康科学中心的一项举措，旨在创建和分发将自然语言处理技术应用于生物医学文本的代码，软件和数据。
探索Chinese-BioNLP：中医领域生物信息学的自然语言处理利器
gitblog_00029的博客
03-30 414
探索Chinese-BioNLP：中医领域生物信息学的自然语言处理利器 项目地址:https://gitcode.com/lingluodlut/Chinese-BioNLP 项目简介 Chinese-BioNLP 是一个专注于中文医学文献处理的自然语言处理（NLP）工具库。该项目由开发者灵洛独步创建，旨在解决中医领域的命名实体识别、关系抽取等关键问题，为科研工作者和开发人员提供强大且易于使用的工...
GLUE部分基准数据集介绍：RTE、MRPC、SST-2、QNLI、MNLI、QQP
skysys的研究小屋
04-15 1万+
自然语言处理（NLP）主要包括自然语言理解（NLU）和自然语言生成（NLG）。为了让NLU任务发挥最大的作用，来自纽约大学、华盛顿大学等机构创建了一个多任务的自然语言理解基准和分析平台，也就是GLUE（General Language Understanding Evaluation）。 GLUE包含九项NLU任务，语言均为英语。GLUE九项任务涉及到自然语言推断、文本蕴含、情感分析、语义相似等多个任务。像BERT、XLNet、RoBERTa、ERINE、T5等知名模型都会在此基准上进行测试。目前，大家要把
【NLP】序列标注BIO介绍（也叫IOB2）
mjiansun的专栏
03-10 6453
1. 序列标注 序列标注（Sequence labeling）是我们在解决NLP问题时经常遇到的基本问题之一。在序列标注中，我们想对一个序列的每一个元素标注一个标签。一般来说，一个序列指的是一个句子，而一个元素指的是句子中的一个词。比如信息提取问题可以认为是一个序列标注问题，如提取出会议时间、地点等。 序列标注一般可以分为两类： 1、原始标注（Raw labeling）：每个元素都需要被标注为一个标签。 2、联合标注（Joint segmentation and labeli...
【实体识别】深入浅出讲解命名实体识别（介绍、常用算法）
热门推荐
程序星空实验室
05-10 2万+
命名实体识别（Named Entity Recognition, 简称NER）（也称为实体识别、实体分块和实体提取）是信息提取的一个子任务，旨在将文本中的命名实体定位并分类为预先定义的类别，如人员、组织、位置、时间表达式、数量、货币值、百分比等。命名实体识别是自然语言处理中的热点研究方向之一， 目的是识别文本中的命名实体并将其归纳到相应的实体类型中。 命名实体识别是NLP中一项非常基础的任务，是信息提取、问答系统、句法分析、机器翻译等众多NLP任务的重要基础工具。 从自然语言处理的
基于机器学习方法的生物医学数据挖掘相关问题研究
06-01
4. 生物医学文本挖掘：如何利用自然语言处理和机器学习技术从大量生物医学文献中提取有效的信息，以支持研究和决策。 5. 基因表达数据分析：如何使用机器学习算法分析基因表达数据，以了解基因和疾病之间的关系，...
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值